Résolution du shape-from-shading par apprentissage
Résumé
In this paper, we try to solve the shape-from-shading problem using machine learning techniques. A first object whose shape is known is imaged under a known lighting. Its photograph is cut into patches Ia of size 3 × 3, associated with normals N. We process a principal components analysis (PCA) on the data, in order to project the patches Ia in a space of lower dimension n. Then, we analyse the photograph of a second object of unknown shape, taken under the same lighting, which we cut into patches It of the same size 3 × 3. For each patch It, we search its closest patch Ia and assign to It the normal N associated to Ia. This method is tested on synthetic, as well as on real images. We show its advantages, but also its drawbacks, particularly faced to the well-known problem of the concave/convex ambiguity. Nevertheless, this work opens some perspectives for the resolution of the photometric stereo problem.
Dans cet article, nous tentons de résoudre le problème du shape-from-shading par apprentissage. Un premier objet de relief connu est photographié sous un éclairage connu. Sa photographie est découpée en imagettes Ia de taille 3 × 3, associées à des normales N. Nous effectuons l'analyse en composantes principales (ACP) des données, afin de projeter les imagettes Ia dans un espace de faible dimension n. Nous analysons ensuite la photographie d'un deuxième objet de relief inconnu, prise sous le même éclairage, que nous découpons en imagettes It de même taille 3×3. Pour chaque imagette It, nous cherchons l'imagette Ia la plus proche, et nous affectons à It la normale N associée à Ia. Cette méthode est testée sur images de synthèse et sur photographies réelles. Nous montrons son intérêt, mais aussi ses limites, en particulier face au problème bien connu de l'ambiguïté concave/convexe. Néanmoins, ce travail ouvre des perspectives pour la résolution de la stéréophotométrie.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...